技术公司如何从“技术值钱”走向“技术赚钱”？| 峰瑞研究所
不久前的“峰瑞e沙龙·CMU（卡内基梅隆大学）专场”，围绕创业和投资的相关话题，丰叔和峰瑞资本合伙人马睿，与CMU的华人学生与创业者们展开了一场对谈。我们从中抽取了部分有意思的话题，分享给你：
如何看待工业机器人行业的发展前景？
作为技术型人才，如何创业才能事半功倍？如何找到适合自己的行业？
怎么看待人工智能技术的未来落地？
为什么说技术公司大多值钱时难赚钱，赚钱时不值钱？
怎么看待中美两国工业化转型的发展阶段和机会？
进入正文前，先分享主要观点：
市场需求决定了技术的发展和落地。随着人口结构、产业结构、技术进步三重因素叠加，中国一定会诞生本土的工业机器人家族。
如果你未来考虑创业，希望解决一个具体的问题，就必须走向交叉学科，必须走出自己的舒适圈去学习其他领域的知识。
成功率较高的交叉学科创业项目有一定的共性：第一阶段从需求出发，先明白需求端要解决什么问题，然后再去和技术嫁接，看看什么样的技术可以解决这些问题。
技术人才切忌“拿着锤子找钉子”。项目初始阶段，钉子比锤子有用；当新兴技术的市场应用得到广泛认可后，锤子就变得比钉子重要了。
人工智能完全落地的前提：行业持续快速发展、底层数据化完成、数据生成远超过人力处理的效率极限。
技术值钱的时候通常赚不到钱，能赚钱的时候不一定很值钱。
产业互联网具有两大特点：一来，它需要嵌套在实体经济或者工业链条内部；二来，它需要紧密连接上下游环节以最大化提高效率。因此，任何一个产业要做产业互联网，都无法凭空编织一张网然后套上去，必然和物理环境高度关联。
希望这些探讨能给你带来一点启发。
/ 01 /
市场需求决定了技术的落地和发展
Q：我现在博士在读，一直对机器人相关的创业项目感兴趣。我们开发的第一阶段产品就要面世了。想请问丰叔怎么看待机器人领域？有哪些是你比较看好的方向？
李丰：分享结论前，我们需要先搞清楚一个有趣的现象。
我们都知道，二十世纪初，美国的制造业就已经很发达了。二战期间，美国的福特和通用是全球前两大军工厂。
二战后，美国工业生产能力居全球首位，美国经济占世界生产总值的比例始终位于前列，夯实了全球制造业霸主的地位。
问题来了——既然自动控制理论体系和计算机的发源地都是美国，那为什么七十年代后陆续诞生的工业机器人四大家族（瑞士的ABB、日本的安川、德国的库卡、日本的发那科）没有一个来自美国？
一个很重要的原因是市场需求。那时的美国没有研发工业机器人的市场需求。
七十年代前后，战后“婴儿潮”一代陆续进入劳动力市场，充裕的青壮年劳动力供给接连遭遇经济衰退，美国的失业率一度达到6%-9%。与此同时，1970年代的两次石油危机使得美国石油进口成本大增，制造业产业链开始加速向日本、德国这些战败国外迁。
1945年，美国制造业从业人数比例达到38%，随后从顶峰不断滑落。原本吸收了近四成就业人口的制造业的外迁，叠加严重的就业压力，企业没有开发工业机器人的动力。
德国、日本和美国的情况完全相反。
二战前，作为战争的发起国，德国和日本的工业基础已经比较扎实。战后，受迅速恢复经济的目标驱使，两国承接了大量从美国转移来的汽车制造以及电子制造产业。制造业需要大量的产业工人，而两国彼时均面临年轻劳动力的严重缺口。在此背景下，开发工业机器人成为急迫的市场需求。用机器替代人力生产，不仅可以解决人力缺口的问题，还可以实现更高的性价比，获得全球市场青睐。
所以，我们可以看到日本和德国从美国引入了自动控制技术和计算机后，结合了本土的产业链需求，进行了较快的工业和技术迭代，从中走出了工业机器人四大家族。
反观中国市场，中国当前有没有类似的市场需求？有没有孵化工业机器人家族的可能？
先看人口结构。
国家统计局数据显示，2012年，中国15岁以上不满60周岁的劳动年龄人口9.37亿，所占比重首次下降。2021年公布的第七次全国人口普查数据则显示，劳动年龄（16岁至59岁）人口进一步收缩至8.8亿；与此相对的是老龄化的加剧，60岁及以上人口2.64亿，占18.7%。预计“十四五”期间，中国老年人口将超过3亿人，从轻度老龄化进入中度老龄化阶段。
再看产业结构。
中国当前的产业结构和七十年代的日本、德国还不太一样。后者在工业复苏阶段，主要依靠汽车和电子行业。当前的中国作为制造业大国，已经建立了比较齐全的工业门类，产业链长且完整度高。因此在中国，有自动化改造需求的行业几乎遍及了所有产业链条。
我们最近和一家比较著名的企业交流，发现他们非常需要开发一套全数字和全自动化生产流程，以验证计算机模拟的运行结果能否在现实环境中实现。如果能做到全数字和全自动化反馈，就可以实现快速验证，节省企业的时间和资金成本。这是产业链自动化改造需求的一个例子。
三看当前的自动化技术水平。
当前的自动化技术和上个世纪相比已经有了长足的进步，在当时的机械重复和测量之外，还增加了许多传感感知层和决策层的新技术。可以说，算力、传感器精度、传感器测量范围、传感和计算控制结果已不可同日而语。
综上，随着人口结构、产业结构、技术进步三重因素叠加，中国未来一定会走出本土的工业机器人家族。（欢迎阅读《如何投资工业机器人？| 峰瑞研究所-从投资中学投资》）
/ 02 /
技术人才切忌“拿着锤子找钉子”
马睿：丰叔讲的是趋势判断。我想接着谈下应用方向。
在峰瑞，我们一直秉持着一个方法论——不能拿着技术找应用。这一点，在工业机器人领域尤其重要。对CMU的同学们来说，传感和计算是强项，所以大家创业最关键的是找到好的应用方向，要把技术应用到某个具体行业。以生物医疗领域为例，行业对机器替人的需求就很大，比如怎么去做生物的高通量平台等等。
如果你在身边没找到比较合适的应用方向的人来交流，我会鼓励你们多出去看看，也可以回国来看看。关键的一点是怎么把你的技术放置到具体的行业应用里更好地发光发热。
李丰：马睿提到了非常关键的一点，技术人才切忌“拿着锤子找钉子”。
我们在投资中见到了很多例子。通常情况下，单纯从科研出发是比较麻烦的，你需要花费大量的时间找到那颗合适的“钉子”。
峰瑞一直比较看好基于学科交叉的创业，我们投了很多AI+制药、AI+金融等交叉学科背景的项目。这些领域，基本上创业者分为两类：一种是行业人才出来创业，比如创始人背景是医生，希望借助AI技术解决行业难题；另一种是技术人才出来创业，比如计算机、人工智能专业背景进入了医疗行业。
根据我们的观察，第二类创业会遇到比较多的困难。当一个计算机背景的技术人才去做AI医疗影像，技术方面当然难不倒他，最大的困难在于不了解行业需求，项目往后推进就会发现拓展用户很难，无法很好地回答谁能用、为什么要用、为什么要付费等问题。而第一类项目往往在商业化和应用进展上更为顺畅。
所以，成功率较高的交叉学科创业项目有一定的共性：第一阶段从需求出发，先明白需求端要解决什么问题，然后再去和技术嫁接，看看什么样的技术可以解决这些问题。
目前，AI或者其他技术跟产业结合，大部分都还处于发展的第一阶段。在初始阶段，通常是钉子比锤子要有用。当然，随着项目不断向前演进，特别是当新兴技术在行业的应用已经被市场广泛接受，比如计算机视觉以及传感器技术在机器人上的应用已经称得上是产业共识。这个时候，大家比拼的就是技术的演进，锤子也就比钉子重要了。
马睿：对，我顺着丰叔的思路展开下。
要将AI更好地应用到行业里，要注意三块：首先，建立一些行业的knowhow，你要知道怎么切入这个行业；其次，你要知道怎么拿到行业数据，数据是AI得以发挥作用的基础。第三，才是AI技术本身。
其实研究和创业是类似的，只有在技术和产业上形成闭环，才能得到好的成果。对于做基础研究的学者来说，只关注自己专业的一亩三分地无可厚非。但如果你未来考虑创业，希望解决一个具体的问题，就必须走向交叉学科，必须走出自己的舒适圈，去学习其他领域的知识。
这有利于帮助你找到合适的钉子。找到钉子之后，锤子的意义才能发挥地更好、更透彻。比如现在大家都认同，数据驱动医疗是未来十年的一个重要趋势。如果你致力于在这一领域发光发热，就必须去学习医疗领域的知识，建立起knowhow后，明确你的数据来源。
不要觉得这是在不务正业，这恰恰是为未来打下坚实的基础，决定你未来的创业路能否走得好、走得远。
/ 03 /
人工智能完全落地的前提
Q：我个人觉得国内的“AI四小龙”（商汤、云从、依图、旷世）的技术都很好，但看起来商业化存在一些挑战。想听下丰叔怎么看人工智能技术的未来落地？
李丰：我们可以分阶段来看。
第一阶段是解决数字化问题。一旦全产业链、全场景的数字化完成，就会进入第二阶段。
第二阶段是分配和连接效率。也就是把上下游各环节的供给和需求更好地匹配和连接起来，提升产业链效率。
当分配和连接达到一定程度，同时底层已经完成了数字化后，其效率会超过人为干预、分配和连接的效率，人工智能的应用就会进入相对完善的阶段。
我们可以做个更形象的比喻。
我们最初在使用电脑时，可以通过键盘、鼠标和电脑系统实现文本数据化。这一阶段，要解决的问题是让足够多的人拥有电脑，当普及率足够大，完成了足够的文本数据化后，就会进入分配和连接阶段。
第二阶段，数据化文本已经足够多，一些门户网站会对这些数据化文本进行筛选和连接，以匹配需求和供给。当这些数据越发庞大，以至于多到雅虎这样的门户网站都处理不过来，无法满足信息需求时，基于人工智能的搜索引擎就应运而生，比如谷歌。
对应中国移动互联网的发展过程来看，当前移动互联网的内容平台，包括小红书、TikTok、B站，可能刚刚走到了类似“雅虎”这个阶段，平台可以部分意义上满足各种各样的信息需求，然而离内容平台完全的人工智能化还有一定的距离，大家分析的还主要是用户行为，而非内容本身。未来的趋势一定是向智能化发展。
不只是内容产业，任何一个产业链条都会经历类似的由数字化到智能化的发展历程。金融是另一个例子。目前，金融行业的数字化非常高，开始向更高效的分配和连接阶段发展。
所以，如果要看AI在四五年后会如何发展，可以琢磨下这套逻辑。前提是，行业能够持续快速增长，且完成了底层数据化。当这个行业产生的数据远超过人力处理的效率极限后，行业才会确定无疑地过渡到人工智能阶段。
/ 04 /
技术值钱的时候通常赚不到钱，能赚钱的时候不一定很值钱
Q：您怎么看待技术公司“赚钱”和“值钱”的关系？
李丰：这确实是个有趣且有争议的话题。我先讲一个结论——技术在很值钱的时候，通常赚不到钱。
我们以大数据技术为例。十年前，谈论大数据技术的人很多。这一概念虽然时髦，但真正懂大数据技术的人非常少。那时候，大数据技术很值钱，但很难挣钱。
到了2017年、2018年，几乎没有公司会自诩“大数据公司”了，因为懂大数据技术的人才已经相对饱和、技术应用已经非常广泛。等到这项技术已经可以很好的商业化应用时，这个技术概念本身就不那么值钱了。
我们再举几个大家更熟悉的例子。如果字节跳动在早年就卖人工智能引擎，可能不一定不容易。一来大公司不一定买单，因为重视人工智能的大平台会倾向于自己开发；二来小平台想用，也不一定能付得出很多钱。所以，还是那句话，技术值钱的时候通常赚不到钱，能赚钱的时候不一定很值钱。
再拿百度举例。李彦宏回国之初，想做的不是搜索网站，而是搜索引擎的TO B生意，即把搜索引擎技术卖给中大型的互联网网站，包括搜狐、新浪等门户，为他们提供站内搜索技术。但做着做着，他发现自己的重要客户不再续费，转而组建了自己的搜索引擎团队。后来，他不得不把生意由TO B转向TO C。之后的故事大家都知道了，他成功地从“技术值钱”的阶段走向了“技术赚钱”的阶段。
为什么他能够实现这一跨越？原因在于他积累了足够好、足够多的技术，并建立了相对成熟的消费者理解，在这些前提下，所有要素连成了一条线，你就能做到比其他TO C 产品效率更高。而规模效应又会继续放大你的优势。
几乎所有的技术应用都会经历这个过程。简单来讲，要让技术成为更有用、更赚钱的东西，无一例外都不是技术本身可以单方面推进的，一定是要业内人加上技术。技术更多时候是发挥赋能的作用。
当然也有另外一条路径。也就是在技术值钱时成功融资，然后等待机会，在某一个特定的节点，用这套技术做出一套全新的解决方案，直接提供给消费者端。当然，这条路径的难度是很高的。
/ 05 /
产业互联网的两大特点
Q：我个人的观察是，中国的一些大企业比如腾讯、华为，在5G生态的打造上投入很大，相比移动互联网，似乎产业互联网以及数字化转型是国内当下更受关注的风口。
美国则不同，有很多互联网领域的创新，但对5G、AI产业化等议题的探讨似乎没有中国这么大声量。想听听您怎么看待中美两国工业化转型的发展阶段和机会？
李丰：确实，中国在5G上的布局是相对领先的。根据工业和信息化部的消息，截至2021年3月底，我国已建成5G基站81.9万个，占全球70%以上，覆盖全国所有地级以上城市，建成全球规模最大的5G独立组网网络。5G是面向行业场景的新技术，组网成功后，会有越来越多的商业和个人应用在此基础上开发出来，赋能产业数字化转型。
产业互联网具有两大特点：一来它需要嵌套在实体经济内部，或者说工业链条里；二来它需要紧密连接上下游环节，以实现高效连接。因此，任何一个产业要做产业互联网，都无法凭空编织一张网然后套上去。5G作为工业互联网的核心组成部分，正在催生更多的需求和服务，由此织就的产业互联网必然和基站等物理环境高度关联。
我们之前提到过，中国已经建立了比较齐全的工业门类，产业链长且完整度高，5G技术带来的累计效率提升空间肯定会比其他国家更大。这不难理解。做一条上下游产业链，和打通多条上下游产业链相比，谁带来的连接效率提升更高，答案不言而喻。